伴随天气回暖，春游出行增加，网约车订单规模进一步扩大。但语音识别、目标检测、自然语言处理（NLP）、到达时间预估（ETA）等应用场景众多且复杂，如何实现高速响应，建立统一的深度学习开发平台成为网约车平台的核心需求。

然而在开发网约车算力平台时，常常面临各类挑战，比如：

1、资源使用效率：深度学习算法大都属计算密集型应用，其背后的AI服务器单价昂贵，若资源缺乏统筹调度，无法形成规模化效应，使用效率大打折扣。

2、开发效率：算法开发最核心的工作是算法的开发和调试，但是算法开发工程师把大量的时间花在了环境的部署、配置与维护（通常构建一套完整的环境是以天为单位），开发效率待提升。

3、在线运算：企业要部署模型服务，就需要解决服务的HA、负载均衡等生产服务问题。为了满足服务的延迟、资源的约束，模型服务上线，需要做从服务、到深度学习框架、到计算库的全栈优化。

曙光通过容器化学习平台，实现1次构建、重复使用的效果，即将算法环境封装成Docker镜像的方式实现快速环境部署及作业指派。通过优化集群资源利用，更加细粒度的资源控制，使资源用即申请，完即释放，解决了资源统一管理和调度的问题。

在网约车行业日渐走向有序发展的背景下，通过智能化平台和技术创新赋能平台运营，确保安全、效率和质量，已经成为平台发展的重点。曙光帮助企业打造高效、可靠、智能的基础设施平台，并多项赋能，实现AI计算力端到端的最佳实践。